Skip to content
ClickHouse Docs
ClickHouse DocsClickHouse Docs
49.6kGet Started

Migração do pandas

View as MarkdownEdit this pageReport an issueSet up docs MCP

Este guia ajuda você a migrar seu código existente em pandas para o DataStore, com melhor desempenho sem perder a compatibilidade.

A migração em uma linha

A migração mais simples é alterar a importação:

# Before (pandas)
import pandas as pd

# After (DataStore)
from chdb import datastore as pd

É isso! A maior parte do código do pandas funciona sem alterações.

Migração passo a passo

Instale o chDB

pip install "chdb>=4.0"

Altere a instrução de importação

# Altere isto:
import pandas as pd

# Para isto:
from chdb import datastore as pd

Teste seu código

Execute o código existente. A maioria das operações funciona sem alterações:

from chdb import datastore as pd

# Tudo isso funciona da mesma forma
df = pd.read_csv("data.csv")
result = df[df['age'] > 25]
grouped = df.groupby('city')['salary'].mean()
df.to_csv("output.csv")

Lide com as diferenças

Algumas operações se comportam de forma diferente. Veja Principais diferenças abaixo.

O que funciona sem alterações

Carregamento de dados

# All these work the same
df = pd.read_csv("data.csv")
df = pd.read_parquet("data.parquet")
df = pd.read_json("data.json")
df = pd.read_excel("data.xlsx")

Filtragem

# Boolean indexing
df[df['age'] > 25]
df[(df['age'] > 25) & (df['city'] == 'NYC')]

# query() method
df.query('age > 25 and salary > 50000')

Seleção

# Column selection
df['name']
df[['name', 'age']]

# Row selection
df.head(10)
df.tail(10)
df.iloc[0:100]

GroupBy e agregação

# GroupBy
df.groupby('city')['salary'].mean()
df.groupby(['city', 'dept']).agg({'salary': ['sum', 'mean']})

Ordenação

df.sort_values('salary', ascending=False)
df.sort_values(['city', 'age'])

Operações de String

df['name'].str.upper()
df['name'].str.contains('John')
df['name'].str.len()

Operações com DateTime

df['date'].dt.year
df['date'].dt.month
df['date'].dt.dayofweek

Operações de E/S

df.to_csv("output.csv")
df.to_parquet("output.parquet")
df.to_json("output.json")

Principais diferenças

1. Avaliação preguiçosa

As operações do DataStore são preguiçosas — elas só são executadas quando os resultados são necessários.

pandas:

# Executes immediately
result = df[df['age'] > 25]
print(type(result))  # pandas.DataFrame

DataStore:

# Builds query, doesn't execute yet
result = ds[ds['age'] > 25]
print(type(result))  # DataStore (lazy)

# Executes when you need the data
print(result)        # Triggers execution
df = result.to_df()  # Triggers execution

2. Tipos de retorno

Operação Retorno do pandas Retorno do DataStore
df['col'] Series ColumnExpr (preguiçoso)
df[['a', 'b']] DataFrame DataStore (preguiçoso)
df[condition] DataFrame DataStore (preguiçoso)
df.groupby('x') GroupBy LazyGroupBy

3. Sem o parâmetro inplace

DataStore não oferece suporte a inplace=True. Sempre use o valor retornado:

pandas:

df.drop(columns=['col'], inplace=True)

DataStore:

ds = ds.drop(columns=['col'])  # Assign the result

4. Comparando DataStores

O pandas não reconhece objetos DataStore, então use to_pandas() para compará-los:

# This may not work as expected
df == ds  # pandas doesn't know DataStore

# Do this instead
df.equals(ds.to_pandas())

5. Ordem das Linhas

DataStore pode não preservar a ordem das linhas em fontes como arquivos e bancos de dados SQL. Use ordenação explícita:

# pandas preserves order
df = pd.read_csv("data.csv")

# DataStore - use sort for guaranteed order
ds = pd.read_csv("data.csv")
ds = ds.sort('id')  # Explicit ordering

Padrões de migração

Padrão 1: Leitura-Análise-Gravação

# pandas
import pandas as pd

df = pd.read_csv("data.csv")
result = df[df['amount'] > 100].groupby('category')['amount'].sum()
result.to_csv("output.csv")

# DataStore - same code works!
from chdb import datastore as pd
df = pd.read_csv("data.csv")
result = df[df['amount'] > 100].groupby('category')['amount'].sum()
result.to_csv("output.csv")

Padrão 2: DataFrame com operações do pandas

Se você precisar de funcionalidades específicas do pandas, faça a conversão ao final:

from chdb import datastore as pd

# Fast DataStore operations
ds = pd.read_csv("large_data.csv")
ds = ds.filter(ds['date'] >= '2024-01-01')
ds = ds.filter(ds['amount'] > 100)

# Convert to pandas for specific features
df = ds.to_df()
df_pivoted = df.pivot_table(...)  # pandas-specific

Padrão 3: Fluxo de trabalho híbrido

from chdb import datastore as pd
import pandas

# Start with DataStore for fast filtering
ds = pd.read_csv("huge_file.csv")  # 10M rows
ds = ds.filter(ds['year'] == 2024)  # Fast SQL filter
ds = ds.select('col1', 'col2', 'col3')  # Column pruning

# Convert for pandas-specific operations
df = ds.to_df()  # Now only ~100K rows
result = df.apply(complex_custom_function)  # pandas

Comparação de desempenho

DataStore é significativamente mais rápido para grandes volumes de dados:

Operação pandas DataStore Ganho de desempenho
Count com GroupBy 347ms 17ms 19.93x
Pipeline complexo 2,047ms 380ms 5.39x
Filter+Sort+Head 1,537ms 350ms 4.40x
Agregação com GroupBy 406ms 141ms 2.88x

Benchmark com 10M linhas

Solução de problemas da migração

Problema: Operação não funciona

Algumas operações do pandas podem não ser suportadas. Verifique:

  1. A operação consta na lista de compatibilidade?
  2. Tente converter para pandas primeiro: ds.to_df().operation()

Problema: Resultados diferentes

Ative o log de depuração para entender o que está acontecendo:

from chdb.datastore.config import config
config.enable_debug()

# View the SQL being generated
ds.filter(ds['x'] > 10).explain()

Problema: Desempenho lento

Verifique o padrão de execução:

# Bad: Multiple small executions
for i in range(1000):
    result = ds.filter(ds['id'] == i).to_df()

# Good: Single execution
result = ds.filter(ds['id'].isin(ids)).to_df()

Problema: Incompatibilidades de tipos

DataStore pode inferir os tipos de forma diferente:

# Check types
print(ds.dtypes)

# Force conversion
ds['col'] = ds['col'].astype('int64')

Estratégia de migração gradual

Semana 1: Testar a compatibilidade

# Keep both imports
import pandas as pd

from chdb import datastore as ds

# Compare results
pdf = pd.read_csv("data.csv")
dsf = ds.read_csv("data.csv")

# Verify they match
assert pdf.equals(dsf.to_pandas())

Semana 2: Migre scripts simples

Comece com scripts que:

  • Leem arquivos grandes
  • Fazem filtragem e agregação
  • Não usam funções apply personalizadas

Semana 3: Lide com casos complexos

Para scripts com funções personalizadas:

from chdb import datastore as pd

# Let DataStore handle the heavy lifting
ds = pd.read_csv("data.csv")
ds = ds.filter(ds['year'] == 2024)  # SQL

# Convert for custom work
df = ds.to_df()
result = df.apply(my_custom_function)

Semana 4: Migração completa

Atualize todos os scripts para importar o DataStore.

FAQ

Posso usar tanto pandas quanto DataStore?

Sim! É possível converter livremente entre eles:

from chdb import datastore as ds
import pandas as pd

# DataStore to pandas
df = ds_result.to_pandas()

# pandas to DataStore  
ds = ds.DataFrame(pd_result)

Meus testes continuarão passando?

A maioria dos testes deve passar. Para testes de comparação, converta para pandas:

def test_my_function():
    result = my_function()
    expected = pd.DataFrame(...)
    pd.testing.assert_frame_equal(result.to_pandas(), expected)

Posso usar o DataStore no Jupyter?

Sim! O DataStore funciona em notebooks Jupyter:

from chdb import datastore as pd

ds = pd.read_csv("data.csv")
ds.head()  # Displays nicely in Jupyter

Como faço para reportar issues?

Se você encontrar problemas de compatibilidade, reporte-os em: https://github.com/chdb-io/chdb/issues

Navigation